
import os
import requests
from bs4 import BeautifulSoup
import selenium
from selenium import webdriver
from webdriver_manager.chrome import ChromeDriverManager

import datetime as dt
import dateparser

import numpy as np
import pandas as pd

import matplotlib.pyplot as plt
import seaborn as sns
import plotly.express as px

import sklearn


%%time
#NO NEED TO REDOWNLOAD - ALREADY DONE ONCE

#######################################################
## Téléchargement des fichiers .xlsx depuis le site. ##
#######################################################

"""response = requests.get(f'https://www.vendeeglobe.org/fr/classement')
soup = BeautifulSoup(response.content)
dates = soup.find('select', {'class':"form__input m--select onsubmit-rank"}).findAll('option')
labels =  sorted([dates[i].get('value') for i in range(len(dates))][1:])
labels = labels[2:labels.index("20210127_140000")]

for date in labels:
    dls = "https://www.vendeeglobe.org/" + "download-race-data/vendeeglobe_" + str(date) + ".xlsx"
    resp = requests.get(dls)
    with open('Classements/'+str(date)+'.xlsx', 'wb') as output:
        #On n'écrit plus rien. 
        output.write(resp.content)"""

CPU times: user 2 µs, sys: 0 ns, total: 2 µs
Wall time: 3.1 µs

'response = requests.get(f\'https://www.vendeeglobe.org/fr/classement\')\nsoup = BeautifulSoup(response.content)\ndates = soup.find(\'select\', {\'class\':"form__input m--select onsubmit-rank"}).findAll(\'option\')\nlabels =  sorted([dates[i].get(\'value\') for i in range(len(dates))][1:])\nlabels = labels[2:labels.index("20210127_140000")]\n\nfor date in labels:\n    dls = "https://www.vendeeglobe.org/" + "download-race-data/vendeeglobe_" + str(date) + ".xlsx"\n    resp = requests.get(dls)\n    with open(\'Classements/\'+str(date)+\'.xlsx\', \'wb\') as output:\n        #On n\'écrit plus rien. \n        output.write(resp.content)'


#############################################
## Fonction pour réparer les xlsx récupées ##
#############################################

import tempfile
from zipfile import ZipFile
import shutil
import os
from fnmatch import fnmatch
import re

def change_in_zip(file_name, name_filter, change):
    tempdir = tempfile.mkdtemp()
    try:
        tempname = os.path.join(tempdir, 'new.zip')
        with ZipFile(file_name, 'r') as r, ZipFile(tempname, 'w') as w:
            for item in r.infolist():
                data = r.read(item.filename)           
                data = change(data)
                w.writestr(item, data)
        shutil.move(tempname, file_name)
    finally:
        shutil.rmtree(tempdir)


#########################################
## Liste avec les chemins des fichiers ##
#########################################

directory = r'Classements/'
paths = []
for entry in os.scandir(directory):
    if (entry.path.endswith(".xlsx")) & ~(entry.path.startswith("Classements/~")) : 
        paths.append(entry.path)
paths = sorted(paths)


%%time
#############################
## Réparation des fichiers ##
#############################

for path in paths:
    change_in_zip(path, 
              name_filter='xl/styles.xml', # the problematic property is found in the style xml files
              change=lambda d: re.sub(b'xxid="\d*"', b"", d))

CPU times: user 1.76 s, sys: 272 ms, total: 2.03 s
Wall time: 2.31 s


##############################################################
## Fonction qui convertit les coordonnées en format décimal ##
##############################################################

def dms2dec(deg, mn, sec):
    return deg + mn / 60 + sec / 3600


###################################################################
## Définition de la fonction qui acquiert et nettoie les données ##
###################################################################

def Clean(path):

    # Get the dataframe from the path
    df = pd.read_excel(path, header=[3,4], nrows=25)

    # Get the timestamp of the reading
    title = pd.read_excel(path, header=1, nrows=1)['Unnamed: 1'].str.extract('Classement du (.*) FR')
    stamp = dateparser.parse(title[0][0])
    df['Stamp'] = stamp

    # Cleaning the data
    df['Rank'] = df['Rang\nRank']['Unnamed: 1_level_1'].astype(int)
    df[['Nat', 'Voile']] = df['Nat. / Voile\nNat. / Sail']['Unnamed: 2_level_1'].str.strip('\n').str.replace('\nFRA','').str.split(' ', expand=True)
    df[['Skipper', 'Bateau']] = df['Skipper / Bateau\nSkipper / crew']['Unnamed: 3_level_1'].str.split('\n', expand=True)

    # Position
    df['Position_Hour'] = df['Skipper / Bateau\nSkipper / crew']['Heure FR\nHour FR'].str.split(' FR\n', expand=True)[0].str.replace(':','H') + 'MIN'
    df['Position_Hour'] = pd.to_timedelta(df['Position_Hour'])

    df['Position_Longitude'] = df['Skipper / Bateau\nSkipper / crew']['Longitude\nLongitude']
    df['Position_Latitude'] = df['Skipper / Bateau\nSkipper / crew']['Latitude\nLatitude']

    A = df['Position_Longitude'].str.extract("(.*)°(..).(..)'.").astype(int)
    A['D'] =df['Position_Longitude'].str.extract(".*'(.)").astype(str)
    df['Position_Longitude_decimale'] = dms2dec(A[0],A[1],A[2])
    df['Position_Longitude_decimale'] = np.where(A['D'] == 'W', -df['Position_Longitude_decimale'], df['Position_Longitude_decimale'])

    B = df['Position_Latitude'].str.extract("(.*)°(..).(..)'.").astype(int)
    B['D'] = df['Position_Latitude'].str.extract(".*'(.)").astype(str)
    df['Position_Latitude_decimale'] = dms2dec(B[0],B[1],B[2])
    df['Position_Latitude_decimale'] = np.where(B['D'] == 'S', -df['Position_Latitude_decimale'], df['Position_Latitude_decimale'])

    # Clean des Colonnes de 'Depuis 30 minutes'
    df["Depuis 30 minutes_Cap"] = df['Depuis 30 minutes\nSince 30 minutes']['Cap\nHeading'].str.strip('°').astype(float)
    df["Depuis 30 minutes_Vitesse"] = df['Depuis 30 minutes\nSince 30 minutes']['Vitesse\nSpeed'].str.strip(' kts').astype(float)
    df["Depuis 30 minutes_VMG"] = df['Depuis 30 minutes\nSince 30 minutes']['VMG\nVMG'].str.strip(' kts').astype(float)
    df["Depuis 30 minutes_Distance"] = df['Depuis 30 minutes\nSince 30 minutes']['Distance\nDistance'].str.strip(' nm').astype(float)

    # Clean des Colonnes de 'Depuis le dernier classement'
    df["Depuis le dernier classement_Cap"] = df['Depuis le dernier classement\nSince the the last report']['Cap\nHeading']\
    .str.strip('°').astype(float)
    df["Depuis le dernier classement_Vitesse"] = df['Depuis le dernier classement\nSince the the last report']['Vitesse\nSpeed']\
    .str.strip(' kts').astype(float)
    df["Depuis le dernier classement_VMG"] = df['Depuis le dernier classement\nSince the the last report']['VMG\nVMG']\
    .str.strip(' kts').astype(float)
    df["Depuis le dernier classement_Distance"] = df['Depuis le dernier classement\nSince the the last report']['Distance\nDistance']\
    .str.strip(' nm').astype(float)

    # Clean des Colonnes de 'Depuis 24 heures'
    df["Depuis 24 heures_Cap"] = df['Depuis 24 heures\nSince 24 hours']['Cap\nHeading'].str.strip('°').astype(float)
    df["Depuis 24 heures_Vitesse"] = df['Depuis 24 heures\nSince 24 hours']['Vitesse\nSpeed'].str.strip(' kts').astype(float)
    df["Depuis 24 heures_VMG"] = df['Depuis 24 heures\nSince 24 hours']['VMG\nVMG'].str.strip(' kts').astype(float)
    df["Depuis 24 heures_Distance"] = df['Depuis 24 heures\nSince 24 hours']['Distance\nDistance'].str.strip(' nm').astype(float)

    df['DTF_'] = df['DTF']['Unnamed: 19_level_1'].str.strip(' nm').astype(float)
    df['DTL_'] = df['DTL']['Unnamed: 20_level_1'].str.strip(' nm').astype(float)

    # Rearranging columns 
    columns = ['Stamp', 'Rank','Nat', 'Voile', 'Skipper', 'Bateau','Position_Hour','Position_Longitude',\
               'Position_Latitude','Position_Longitude_decimale','Position_Latitude_decimale',\
              "Depuis 30 minutes_Cap",'Depuis 30 minutes_Vitesse','Depuis 30 minutes_VMG','Depuis 30 minutes_Distance',\
              "Depuis le dernier classement_Cap","Depuis le dernier classement_Vitesse","Depuis le dernier classement_VMG",'Depuis le dernier classement_Distance',\
              "Depuis 24 heures_Cap","Depuis 24 heures_Vitesse","Depuis 24 heures_VMG","Depuis 24 heures_Distance",\
              "DTF_","DTL_"]
    df = df[columns]

    return df


%%time

#NO NEED TO REDO - ALREADY DONE ONCE

df = Clean(paths[0])
i=0
for path in paths:
    i+=1
    df = df.append(Clean(path))
    if i % 50 == 0: print(i)
    #print(i)
df.head()

/opt/anaconda3/lib/python3.8/site-packages/dateparser/date_parser.py:35: PytzUsageWarning: The localize method is no longer necessary, as this time zone supports the fold attribute (PEP 495). For more details on migrating to a PEP 495-compliant implementation, see https://pytz-deprecation-shim.readthedocs.io/en/latest/migration.html
  date_obj = stz.localize(date_obj)

50
100
150
200
250
300
350
400
450
CPU times: user 56.1 s, sys: 568 ms, total: 56.6 s
Wall time: 59.3 s


df.shape

(12025, 25)


###############################################
## Saving the df to pickle for faster access ##
###############################################

df = df.set_index('Stamp').sort_index()
df.columns = df.columns.droplevel(1)
path = 'Classements.pkl'
df.to_pickle(path)


df = pd.read_pickle('Classements.pkl')
df.head()


###################################################################################
## Définition de la fonction qui acquiert et nettoie les données sur les bateaux ##
###################################################################################

def GetnClean(path):

    response = requests.get(path)

    soup = BeautifulSoup(response.content)
    Boats_info = soup.findAll('div', {'class':"boats-list__infos"})
    Boat_name = []
    Skipper_name = []
    for boat in Boats_info : 
        Boat_name.append(boat.find('h3').text)
        Skipper_name.append(boat.find('span').text)

    soup = BeautifulSoup(response.content)
    boats = soup.findAll('ul', {'class':"boats-list__popup-specs-list"})
    Boats = {}
    for boat in boats:
        boat = boat.findAll('li')
        name = boat[0].text.split(' : ')[1]
        Boats[name] = {}
        for line in boat[1:]:
            key = line.text.split(' : ')[0]
            val = line.text.split(' : ')[1]

            Boats[name][key] = val
    Boats = pd.DataFrame(Boats).T
    Boats['Date de lancement'] = Boats['Date de lancement'].apply(dateparser.parse)
    Boats['Longueur (m)'] = Boats['Longueur'].str.strip(' m').str.replace(',','.').astype('float')
    Boats['Largeur (m)'] = Boats['Largeur'].str.strip(' m').str.replace(',','.').astype('float')
    Boats["Tirant d'eau (m)"] = Boats["Tirant d'eau"].str.strip(' m').str.replace(',','.').astype('float')
    Boats["Déplacement (poids) (T)"] = Boats["Déplacement (poids)"].str.strip(' t').str.strip(' tonnes')\
    .str.replace('[a-zA-Z]', '0', regex=True).str.replace(',','.').astype(float)
    Boats["Hauteur mât (m)"] = Boats["Hauteur mât"].str.strip(' m').str.replace(',','.').astype('float')
    Boats["Surface de voiles au près (m2)"] = Boats["Surface de voiles au près"].str.strip(' m2').str.strip(' m²').str.replace(',','.').astype('float')
    Boats["Surface de voiles au portant (m2)"] = Boats["Surface de voiles au portant"].str.strip(' m2').str.strip(' m²').str.replace(',','.').astype('float')
    Boats['Skipper'] = Skipper_name
    Boats['Skipper'] = Boats['Skipper'].apply(lambda x : str.title(x)).str.replace('  ',' ')
    Boats = Boats.replace("Sam Davies","Samantha Davies")
    Boats = Boats.replace("Arnaud Boissières","Arnaud Boissieres")
    Boats['Bateau2'] = Boat_name


    Boats.columns
    columns = ['Skipper','Bateau2','Anciens noms du bateau', 'Architecte', 'Chantier', 'Date de lancement',
           'Longueur (m)', 'Largeur (m)', "Tirant d'eau (m)", 'Déplacement (poids) (T)',
           'Nombre de dérives', 'Hauteur mât (m)', 'Voile quille',
           'Surface de voiles au près (m2)', 'Surface de voiles au portant (m2)']
    Boats = Boats[columns]

    Boats["Anciens noms du bateau"] = Boats["Anciens noms du bateau"].fillna('')
    Boats["Architecte"] = Boats["Architecte"].fillna('')
    
    Boats["Architecte"] = Boats["Architecte"].map({
        "VPLP" : "Verdier - VPLP",
        "Verdier" : "Verdier - VPLP",
        "VPLP - Alex Thomson Racing (led by Pete Hobson)" : "Verdier - VPLP",
        'Verdier - VPLP' : 'Verdier - VPLP',
        'Juan Kouyoumdjian' : 'Juan Kouyoumdjian',
        "VPLP/Verdier" : "Verdier - VPLP",
        "VPLP - Verdier" : "Verdier - VPLP",
        'Samuel Manuard' : 'Samuel Manuard',
        'Owen Clarke' : 'Owen Clarke',
        "Owen Clarke Design" : "Owen Clarke",
        "Owen Clarke Design LLP - Clay Oliver" : "Owen Clarke",
        'Finot-Conq Design' : "Finot-Conq",
        'Groupe Finot-Conq' : "Finot-Conq",
        "Bruce Farr design" : "Bruce Farr",
        "Bruce Farr Design" : "Bruce Farr",
        "Bruce Farr Yacht Design" : "Bruce Farr",
        'Pierre Rolland' : 'Pierre Rolland',
        "Marc Lombard" : "Marc Lombard",
        'Lavanos' : 'Lavanos',
        "" : "",
        })

    Boats["Voile quille"] = Boats["Voile quille"].fillna('')
    
    return Boats


Boats = GetnClean('https://www.vendeeglobe.org/fr/glossaire')

/opt/anaconda3/lib/python3.8/site-packages/dateparser/date_parser.py:35: PytzUsageWarning: The localize method is no longer necessary, as this time zone supports the fold attribute (PEP 495). For more details on migrating to a PEP 495-compliant implementation, see https://pytz-deprecation-shim.readthedocs.io/en/latest/migration.html
  date_obj = stz.localize(date_obj)


#####################################################
## Saving the Boats df to pickle for faster access ##
#####################################################

path = 'Boats.pkl'
Boats.to_pickle(path)


Boats = pd.read_pickle('Boats.pkl')
Boats.head()


################################################
## Merge the Classements and Boats dataframes ##
################################################

df = df.reset_index()
df_merge = df.merge(Boats, on="Skipper", how='left')
df_merge = df_merge.set_index('Stamp').sort_index()

# Save to pickle
path = 'Merged.pkl'
df_merge.to_pickle(path)


Merged = pd.read_pickle('Merged.pkl')
Merged.head()


px.histogram(Merged['Nat'])


from sklearn.linear_model import LinearRegression

VMG_Rank_last_rank = pd.DataFrame(df.groupby('Rank')['Depuis le dernier classement_VMG'].mean())
Rank = VMG_Rank_last_rank.index.values.reshape(-1,1)
VMG_last_rank = VMG_Rank_last_rank["Depuis le dernier classement_VMG"]

linreg = LinearRegression(fit_intercept=True)
linreg.fit(Rank, VMG_last_rank)
VMG_pred = linreg.predict(Rank)

coef = np.round(linreg.coef_[0],4)
intercept = np.round(linreg.intercept_,4)
r2 = np.round(sklearn.metrics.r2_score(VMG_last_rank, VMG_pred),4)

print("Correlation entre le rang et la vitesse VMG depuis le dernier classement:\n\n\
- Coefficient : {}\n\
- Intercept : {}\n\
- Score R2 : {}\n"\
      .format(coef, intercept, r2))

sns.regplot(x = Rank, y = VMG_last_rank, data = VMG_Rank_last_rank);

Correlation entre le rang et la vitesse VMG depuis le dernier classement:

- Coefficient : -0.1113
- Intercept : 13.3168
- Score R2 : 0.9176


from sklearn.linear_model import LinearRegression

VMG_Rank_last_30mn = pd.DataFrame(df.groupby('Rank')['Depuis 30 minutes_VMG'].mean())
Rank = VMG_Rank_last_30mn.index.values.reshape(-1,1)
VMG_last_30mn = VMG_Rank_last_30mn["Depuis 30 minutes_VMG"]

linreg = LinearRegression(fit_intercept=True)
linreg.fit(Rank, VMG_last_30mn)
VMG_pred = linreg.predict(Rank)

coef = np.round(linreg.coef_[0],4)
intercept = np.round(linreg.intercept_,4)
r2 = np.round(sklearn.metrics.r2_score(VMG_last_30mn, VMG_pred),4)

print("Correlation entre le rang et la vitesse VMG depuis 30 minutes:\n\n\
- Coefficient : {}\n\
- Intercept : {}\n\
- Score R2 : {}\n"\
      .format(coef, intercept, r2))

sns.regplot(x = Rank, y = VMG_last_30mn, data = VMG_Rank_last_30mn);

Correlation entre le rang et la vitesse VMG depuis 30 minutes:

- Coefficient : -0.1088
- Intercept : 13.2395
- Score R2 : 0.8945


from sklearn.linear_model import LinearRegression

VMG_Rank_last_24h = pd.DataFrame(df.groupby('Rank')['Depuis 24 heures_VMG'].mean())
Rank = VMG_Rank_last_24h.index.values.reshape(-1,1)
VMG_last_24h = VMG_Rank_last_24h["Depuis 24 heures_VMG"]

linreg = LinearRegression(fit_intercept=True)
linreg.fit(Rank, VMG_last_24h)
VMG_pred = linreg.predict(Rank)

coef = np.round(linreg.coef_[0],4)
intercept = np.round(linreg.intercept_,4)
r2 = np.round(sklearn.metrics.r2_score(VMG_last_24h, VMG_pred),4)

print("Correlation entre le rang et la vitesse VMG depuis 24 heures:\n\n\
- Coefficient : {}\n\
- Intercept : {}\n\
- Score R2 : {}\n"\
      .format(coef, intercept, r2))

sns.regplot(x = Rank, y = VMG_last_24h, data = VMG_Rank_last_24h);

Correlation entre le rang et la vitesse VMG depuis 24 heures:

- Coefficient : -0.1141
- Intercept : 13.1535
- Score R2 : 0.9271


Skippers = ['Charlie Dalin', 'Louis Burton', 'Boris Herrmann', 'Thomas Ruyant', 'Yannick Bestaven']


fig = plt.subplots(1, figsize=(15,8))

for skipper in Skippers[:5]:
    skip = Merged.loc[(Merged['Skipper'] == skipper),"Depuis 24 heures_Distance"]
    skip.cumsum().plot(label = skipper)

plt.ylabel('Distance totale parcourue (km)')
plt.legend();


import plotly.graph_objects as go

fig = go.Figure(go.Scattermapbox())
i=0
for skipper in Skippers: 
    sk = df.loc[df['Skipper'] == skipper]
    stamp = sk.index

    fig.add_trace(go.Scattermapbox(
        
        mode = "markers+lines",
        lon = sk["Position_Longitude_decimale"],
        lat = sk["Position_Latitude_decimale"],
        name = skipper,
        marker = {'size': 3},
                text= stamp ))
    i+=1
     

fig.update_layout(
    margin ={'l':0,'t':0,'b':0,'r':0},
    mapbox = {
        'center': {'lon': 10, 'lat': 10},
        'style': "stamen-terrain",
        'center': {'lon': -20, 'lat': -20},
        'zoom': 1})

fig.show()


Skippers = ['Charlie Dalin', 'Louis Burton', 'Boris Herrmann', 'Thomas Ruyant', 'Yannick Bestaven']


sk = Merged.loc[Merged['Skipper'] == Skippers[0]]
for skipper in Skippers[1:]:
    sk2 = Merged.loc[Merged['Skipper'] == skipper]
    sk = sk.append(sk2)
px.line(data_frame = sk, x = sk.index, y = 'Rank', color='Skipper', title="Evolution du rang des 5 gagnants")


pp = Merged.groupby('Skipper')[['Depuis 24 heures_VMG', 'Depuis 24 heures_Vitesse', 'Rank', "Depuis 24 heures_Distance"]].mean()
sns.pairplot(pp);


pl = Merged.groupby('Skipper')[['Depuis 24 heures_VMG', 'Depuis 24 heures_Vitesse']].mean()
pl['Foils'] = Merged.groupby('Skipper')['Nombre de dérives'].unique().apply(pd.Series)

pl.head()


px.pie(pl, values='Depuis 24 heures_VMG', names='Foils', title='Répartition des VMG 24h par foils')


archi = Merged.groupby('Architecte')[['Depuis 24 heures_VMG']].mean()
px.scatter(archi, width = 1200, height = 500)


archi2 = Merged.groupby('Architecte')[['Rank']].mean()
px.scatter(archi2, width = 1200, height = 500)


! jupyter nbconvert --to html "INFMDI721_OUMAMA_Projet Final.ipynb"

[NbConvertApp] Converting notebook INFMDI721_OUMAMA_Projet Final.ipynb to html
[NbConvertApp] Writing 670325 bytes to INFMDI721_OUMAMA_Projet Final.html

	Stamp	Rank	Nat	Voile	Skipper	Bateau	Position_Hour	Position_Longitude	Position_Latitude	Position_Longitude_decimale	...	Depuis le dernier classement_Cap	Depuis le dernier classement_Vitesse	Depuis le dernier classement_VMG	Depuis le dernier classement_Distance	Depuis 24 heures_Cap	Depuis 24 heures_Vitesse	Depuis 24 heures_VMG	Depuis 24 heures_Distance	DTF_	DTL_
											...
0	2020-11-08 17:00:00	1	FRA	8	Jérémie Beyou	Charal	0 days 17:00:00	02°35.50'W	46°20.72'N	-2.597222	...	262.0	21.1	19.7	31.7	254.0	1.4	1.4	34.5	24265.1	0.0
1	2020-11-08 17:00:00	2	FRA	79	Charlie Dalin	APIVIA	0 days 17:00:00	02°31.45'W	46°17.46'N	-2.529167	...	357.0	0.0	0.0	2782.5	247.0	1.4	1.4	32.9	24265.8	0.7
2	2020-11-08 17:00:00	3	GBR	99	Alex Thomson	Hugo Boss	0 days 17:00:00	02°31.66'W	46°18.68'N	-2.535000	...	257.0	19.9	19.1	29.9	249.0	1.4	1.3	32.7	24266.3	1.2
3	2020-11-08 17:00:00	4	FRA	59	Thomas Ruyant	LinkedOut	0 days 17:00:00	02°32.29'W	46°19.45'N	-2.541389	...	260.0	19.9	18.9	29.9	251.0	1.4	1.3	32.7	24266.3	1.2
4	2020-11-08 17:00:00	5	MON	10	Boris Herrmann	Seaexplorer - Yacht Club De Monaco	0 days 17:00:00	02°29.63'W	46°18.22'N	-2.500833	...	257.0	19.0	18.2	28.2	248.0	1.3	1.3	31.5	24267.3	2.2

	Rank	Nat	Voile	Skipper	Bateau	Position_Hour	Position_Longitude	Position_Latitude	Position_Longitude_decimale	Position_Latitude_decimale	...	Depuis le dernier classement_Cap	Depuis le dernier classement_Vitesse	Depuis le dernier classement_VMG	Depuis le dernier classement_Distance	Depuis 24 heures_Cap	Depuis 24 heures_Vitesse	Depuis 24 heures_VMG	Depuis 24 heures_Distance	DTF_	DTL_
Stamp
2020-11-08 17:00:00	1	FRA	8	Jérémie Beyou	Charal	0 days 17:00:00	02°35.50'W	46°20.72'N	-2.597222	46.353333	...	262.0	21.1	19.7	31.7	254.0	1.4	1.4	34.5	24265.1	0.0
2020-11-08 17:00:00	2	FRA	79	Charlie Dalin	APIVIA	0 days 17:00:00	02°31.45'W	46°17.46'N	-2.529167	46.296111	...	357.0	0.0	0.0	2782.5	247.0	1.4	1.4	32.9	24265.8	0.7
2020-11-08 17:00:00	3	GBR	99	Alex Thomson	Hugo Boss	0 days 17:00:00	02°31.66'W	46°18.68'N	-2.535000	46.318889	...	257.0	19.9	19.1	29.9	249.0	1.4	1.3	32.7	24266.3	1.2
2020-11-08 17:00:00	4	FRA	59	Thomas Ruyant	LinkedOut	0 days 17:00:00	02°32.29'W	46°19.45'N	-2.541389	46.329167	...	260.0	19.9	18.9	29.9	251.0	1.4	1.3	32.7	24266.3	1.2
2020-11-08 17:00:00	5	MON	10	Boris Herrmann	Seaexplorer - Yacht Club De Monaco	0 days 17:00:00	02°29.63'W	46°18.22'N	-2.500833	46.306111	...	257.0	19.0	18.2	28.2	248.0	1.3	1.3	31.5	24267.3	2.2

	Skipper	Bateau2	Anciens noms du bateau	Architecte	Chantier	Date de lancement	Longueur (m)	Largeur (m)	Tirant d'eau (m)	Déplacement (poids) (T)	Nombre de dérives	Hauteur mât (m)	Voile quille	Surface de voiles au près (m2)	Surface de voiles au portant (m2)
FRA 56	Fabrice Amedeo	NEWREST - ART & FENÊTRES	No Way Back, Vento di Sardegna	Verdier - VPLP	Persico Marine	2015-08-01	18.28	5.85	4.5	7.0	foils	29.0	monotype	320.0	570.0
FRA 49	Romain Attanasio	PURE - Best Western®	Gitana Eighty, Synerciel, Newrest-Matmut	Bruce Farr	Southern Ocean Marine (Nouvelle Zélande)	2007-03-08	18.28	5.80	4.5	9.0	2	28.0	acier forgé	80.0	560.0
FRA72	Alexia Barrier	TSE - 4MYPLANET	Famille Mary-Etamine du Lys, Initiatives Coeur...	Marc Lombard	MAG France	1998-03-01	18.28	5.54	4.5	9.0	2	29.0	acier	60.0	580.0
17	Yannick Bestaven	Maître CoQ IV	Safran 2 - Des Voiles et Vous	Verdier - VPLP	CDK Technologies	2015-03-12	18.28	5.80	4.5	8.0	foils	29.0	acier mécano soudé	310.0	550.0
08	Jérémie Beyou	CHARAL		Verdier - VPLP	CDK Technologies	2018-08-18	18.28	5.85	4.5	8.0	foils	29.0	acier	320.0	600.0

	Rank	Nat	Voile	Skipper	Bateau	Position_Hour	Position_Longitude	Position_Latitude	Position_Longitude_decimale	Position_Latitude_decimale	...	Date de lancement	Longueur (m)	Largeur (m)	Tirant d'eau (m)	Déplacement (poids) (T)	Nombre de dérives	Hauteur mât (m)	Voile quille	Surface de voiles au près (m2)	Surface de voiles au portant (m2)
Stamp
2020-11-08 17:00:00	1	FRA	8	Jérémie Beyou	Charal	0 days 17:00:00	02°35.50'W	46°20.72'N	-2.597222	46.353333	...	2018-08-18	18.28	5.85	4.5	8.0	foils	29.0	acier	320.0	600.0
2020-11-08 17:00:00	2	FRA	79	Charlie Dalin	APIVIA	0 days 17:00:00	02°31.45'W	46°17.46'N	-2.529167	46.296111	...	2019-08-05	18.28	5.85	4.5	8.0	foils	29.0	acier	350.0	560.0
2020-11-08 17:00:00	3	GBR	99	Alex Thomson	Hugo Boss	0 days 17:00:00	02°31.66'W	46°18.68'N	-2.535000	46.318889	...	2019-08-15	18.28	5.40	4.5	7.7	foils	29.0	acier forgé	330.0	630.0
2020-11-08 17:00:00	4	FRA	59	Thomas Ruyant	LinkedOut	0 days 17:00:00	02°32.29'W	46°19.45'N	-2.541389	46.329167	...	2019-09-03	18.28	5.85	4.5	8.0	foils	29.0	acier forgé	350.0	560.0
2020-11-08 17:00:00	5	MON	10	Boris Herrmann	Seaexplorer - Yacht Club De Monaco	0 days 17:00:00	02°29.63'W	46°18.22'N	-2.500833	46.306111	...	2015-08-07	18.28	5.70	4.5	7.6	foils	29.0	acier	90.0	490.0

	Depuis 24 heures_VMG	Depuis 24 heures_Vitesse	Foils
Skipper
Alan Roura	10.953684	11.799579	foils
Alex Thomson	10.973718	12.706410	foils
Alexia Barrier	9.806304	10.511175	2
Ari Huusela	9.858333	11.146212	2
Armel Tripon	12.557207	13.684685	foils

INF MDI 721 - Kig Start Data - Projet Final¶

OUMAMA Souhail - MS IA 2021/2022 ¶

Import des modules nécessaires ¶

Téléchargement des données Classement ¶

Téléchargement des données sur les bateaux ¶

Analyse des nationalités des participants ¶

Corrélation et régression linéaire entre le classement (rang) et la vitesse utile (VMG) des voiliers. ¶

1. Correlation entre le Rank et la VMG depuis le dernier classement¶

2. Correlation entre le Rank et la VMG depuis 30mn¶

3. Correlation entre le Rank et la VMG depuis 24h¶

Visualisation des distances cumulées parcourues par les 5 skippers gagants. ¶

Visualisation sur une carte des parcours des 5 skippers gagants. ¶

TimeSeries : Visualisation de l'évolution du rang au fil de la course des 5 skippers gagants. ¶

Analyse des correlations entre Vitesse, Distance parcourure, et Rank de chaque voilier. ¶

Analyse de l'influence du foil sur la vitesse. ¶

Analyse de la vitesse des voiliers par Architecte. ¶

Analyse des rangs moyens des voiliers selon l'Architecte qui les a conçus ¶

Export du Notebook en html¶